“ 证券研究报告·医药行业深度 # AI制药：技术及商业突破，湿实验产业链率先受益（更新） 袁清慧 yuanqinghui@csc.com.cn SAC 编号：S1440520030001 SFC 编号：BPW879 成雨佳 chengyujia@csc.com.cn SAC 编号:S1440525120003 SFC 编号:BIQ365 王云鹏 wangyunpeng@csc.com.cn SAC…”
关联内容单元 #11200 · 原始来源原始全文
 证券研究报告·医药行业深度 # AI制药：技术及商业突破，湿实验产业链率先受益（更新） 袁清慧 yuanqinghui@csc.com.cn SAC 编号：S1440520030001 SFC 编号：BPW879 成雨佳 chengyujia@csc.com.cn SAC 编号:S1440525120003 SFC 编号:BIQ365 王云鹏 wangyunpeng@csc.com.cn SAC 编号:S1440524070020 发布日期：2026年10月23日 ## 核心观点 核心观点：AI制药领域正经历着快速的迭代和变革，算法的更新迭代和算力的支持为AI在制药领域的应用打下了良好的技术基础。传统药物开发过程花费时间长、成本高，且成功率较低，随着已有靶点的新药陆续获批，新药开发难度逐渐上升。目前AI在结构预测、靶点筛选、虚拟筛选、分子生成及多参数优化等早期环节已体现效率价值，有望缩小候选分子范围、减少低价值实验并降低单个合格Hit的发现成本。相关干实验投入增加以及湿实验需求的持续增长有望为下游产业链持续带来增量。 AIDD首先重塑药物发现与临床前研发流程。小分子发现正向AI参与的DMTA（设计-合成-测试-分析）闭环演进，虚拟筛选、分子生成、多参数优化、ADMET（吸收、分布、代谢、排泄、毒性）药代动力学和安全性特征预测及合成路线设计等环节受益较为明显。大分子研发则逐步形成以序列和结构设计为起点，进一步走向涵盖功能预测、抗体生成及多参数优化后的DBTL闭环。 高质量实验数据和高通量验证能力正在成为AI制药进一步发展的关键约束，产业链增量有望率先在早期实验环节兑现。模型对高质量实验数据的依赖进一步增强，需要持续进行基因合成、文库构建、蛋白/抗体表达、结合与功能检测以及多组学分析，并将实验结果反哺模型训练。因此，随着AI模型迭代速度加快、单次设计候选数量提升以及更多药企将AI嵌入早期研发流程，湿实验需求有望持续增长，基因合成、蛋白表达、科研试剂及CRO等产业链环节有望持续受益AI制药渗透率提升带来的增量市场。具备高通量、自动化、标准化实验及结构化数据交付能力的服务商更有望承接增量。 行业正在由模型能力验证转向临床价值和商业价值验证，头部项目与合作已出现积极信号，但整体仍处于早期阶段。Rentosertib、GB-0895等代表性管线已进入临床中后期，为观察AI辅助药物发现的临床转化能力提供了更高阶段样本；MNC对外合作、资产授权及平台部署持续增加。AI制药企业主要采用平台及软件授权、AI研发服务、自研管线及资产授权三类模式，三者现金流形成时间、临床风险和潜在价值空间存在明显差异。 相关公司：AI制药行业长期成长空间广阔，产业链相关公司包括：1）湿实验服务商：金斯瑞生物、Twist Bioscience、药明生物、义翘神州、百普赛斯、近岸蛋白等；2）海外巨头：Anthropic、Isomorphic Labs、Chai Discovery；3）AI制药标的：英矽智能、剂泰科技、晶泰科技。 风险提示：投融资不及预期风险，行业政策风险，研发不及预期风险，审批不及预期风险，销售不及预期风险，市场竞争加剧风险。 ## 目录 解决传统药物研发痛点，AI制药的技术演进与应用边界 2 AI制药潜力释放，产业链有望持续受益 3 AI制药临床验证推进，合作与商业化路径逐步清晰 4 重点公司深度剖析 5 风险提示  ## PART 1 ## 解决传统药物研发痛点，AI制药的技术演进与应用边界 ## 传统药物开发过程成本较高且难度逐渐增加 传统药物研发具有“高淘汰率、高投入”的典型特征：早期通常需筛选5,000-10,000个化合物，约250个进入临床前，最终仅约1个药物获批上市。随着研发阶段推进，单个项目成本持续上升，III期至上市阶段可达约1.9亿美元。若将失败项目成本计入，一款新药成功上市的现金支出约8.7亿美元，资本化成本可接近18亿美元。传统药物研发方式的投资回报率（ROI）仅 $1\% \sim 3\%$ ，我们认为如果有更好、更高效的研发工具出现，有望带动多个环节的新增需求，市场增量潜力巨大。 传统药物研发各阶段的存续分子数量  各研发阶段的成本 将失败项目成本计入后，单个获批药物的现金支出约8.73亿美元，资本化成本约17.78亿美元  ## AI在制药领域具备全流程渗透潜力 近年来，AI技术飞速发展，在药物研发与市场化的全流程中广泛渗透，于药物发现和临床前阶段的应用成效尤为突出。药物发现及临床前研发阶段，是AI辅助药物发现的关键优化板块，也是AI制药企业发力研发与推进商业化的核心方向。 依托AI技术，企业在药物发现和临床前研发进程中，能够有效降低湿实验成本和时间成本，同时实现高通量筛选，为新靶点的探寻以及“老药新用”的适应症拓展提供有力支持，有机会更快地将更多的潜力分子推进到后续环节，从而提升新药研发整体ROI、为整个产业链带来更多的需求。 图：AI在产业链中的应用潜力  目前AI应用较多的部分 ## AI模型对制药各环节的需求拉动存在分化，增益趋势明确 ## AI模型训练供应链明确受益；大动物实验阶段开始，后续研发/生产环节受益量级（边际增加或倍数/指数级增加）取决于前几批进入临床管线的AI药物验证结果/ROI兑现表现。 靶点发现与验证应用较多，整体呈需求放大，部分环节存在分化，AI应用对前端传统化学合成/筛选存在对冲效应。 基因合成和蛋白表达是AI制药价值链中受益弹性最大、兑现速度最快的环节。 安评毒理、CDMO是确定受益环节，主要受益于管线数增多以及转化成功率提升。 临床及SMO短期为降本增效工具，中长期不排除出现变革性支付方式或降价可能，影响当前偏中性。 表：AI制药对CXO各环节的需求拉动及影响 CXO环节 在研发链位置 受益方向 受益程度 核心逻辑 核心增量 时效性 靶点发现与验证阶段 最前端 结构分化/需求放大 ★★★★ AI迭代、优化提效:组学、单细胞、CRISPR、高内涵成像、组织与细胞 增量较明确,但以研发服务订单为主 当期兑现 传统化学合成/筛选 前端 有对冲 ★★ 单项目所需合成量下降vs项目数增加,潜在对冲 / 当期 Drug Discovery基础设施(基因合成/蛋白表达) 前端 结构分化/需求放大 ★★★★ AI每轮DBTL迭代都需要Build/Test,迭代频率极高 大分子明确受益;小分子标准化筛选承压,高难度合成与验证受益 当期兑现 临床前安评(GLP毒理) 中端 需求放大+涨价 ★★★★ AI管线数增加→排队做安评的项目增加;猴子稀缺性涨价 受益确定性较高,但取决于PCC和IND数量 1-8年滞后 CDMO(工艺开发+生产) 后端 需求放大 ★★★★ 成功率提升→进入生产的项目增加; 确定性较高、兑现较晚,且需经过候选物收敛和临床验证 3-10年滞后 临床CRO 后端 需求放大+降本 ★★★ AI优化临床试验设计,人效改善较明确,收入端未必同步受益 取决于进入临床的管线数量和成功率 2-8年滞后 SMO 后端 降本为主 ★★★ AI自动化减少人力工作,毛利率显著提升 取决于进入临床的管线数量和成功率 当期兑现  ## AI制药迎来快速发展阶段 AI制药行业经历了多个发展阶段，包括基础研究期、初步拓展期、技术提升期和快速扩张期。 基础研究期（1990年-2012年）：在这一阶段，AI制药行业从理论探索到初步应用，取得了显著进展。深度学习、自然语言处理等AI技术的发展为药物研发提供了新的思路。 初步拓展期（2013年-2017年）：AI制药行业开始展现出更广泛的应用潜力。生成对抗网络等新型神经网络结构的出现，为药物分子生成与靶点预测提供了新的工具。Insilico Medicine等企业的研究证实了AI在优化药物研发流程、提升化合物质量方面的可行性。这一阶段，AI制药逐渐引起了制药企业和研究机构的关注，为行业的进一步发展积累了经验和数据。 技术提升期（2018年-2019年）：IBM Watson和DeepMind的AlphaFold分别在临床试验匹配和蛋白质结构预测上取得重大突破，引发了一轮投资热潮。大量资本的涌入推动了相关技术的快速发展，AI制药在药物设计品质和效率上得到了显著提升。这一时期，AI制药技术得到进一步完善，为行业的快速扩张奠定了基础。 快速扩张期（2020年至今）：自2020年起，得益于AI技术已广泛应用于药物研发全流程和疾病诊断等领域，且MNC对AI制药的重视和参与程度持续提高，AI制药行业进入快速发展阶段。 图：AI制药行业历史进程 ## 1990-2012 (基础研究) 1990 2013-2017 (初步拓展) 2016 2018-2019 (技术发展) 2020-2021 (快速扩张) 2018 2022-至今 2020 2022 1990年：AI理论基础突破 2012年Atomwise成立 2013年Recursion成立 2013年BenevolentAI成立 2015年Relay Therapeutics成立 2016年Insilico Medicine发布首篇论文表示AI技术可缩短药物发现时间，提高化合物质量 2018年：AlphaFold 1深度学习进入蛋白结构预测 2019年：Insilico Medicine发布首个AI系统，并完成3700万美元B轮融资。 2020年：Schrodinger、Relay Therapeutics登陆资本市场，辉瑞与Insilico Medicine达成合作，利用AI寻找潜在的治疗靶点 2021年：Insilico Medicine将AI辅助发现的新靶点和AI生成的新型分子推进至临床阶段，成为行业首例 2022年：Nimbus Therapeutics获得1.25亿美元融资 2024年：晶泰科技港股上市 2025年：英矽智能港股上市 2026年：剂泰科技港股上市 2026年：Isomorphic完成了21亿美元B轮融资 数据来源：公司公告，中信建投证券 ## 技术演变（1/4）：CADD提高筛选效率，但预测精度和应用范围仍受限制 计算机辅助药物发现（CADD）是传统计算药物设计的基础框架，方法主要分为两类：基于结构的药物设计方法（structure-based methods, SBDD）和基于配体的药物设计方法（ligand-based methods, LBDD），所使用的CADD方法取决于目标结构信息的可用性。 SBDD：已知靶点三维结构后，进行分子对接、虚拟筛选和结合模式分析。主要方法包括：结构预测、分子对接、分子动力学、自由能计算等。 LBDD：在靶点结构未知时，根据已知活性分子的共同特征寻找候选物。主要方法包括：QSAR（定量构效关系）、药效团建模、相似性搜索。 两条路线最终都会形成苗头化合物（Hit），再经过先导化合物生成、ADMET评估、体外验证，最后形成候选药物。传统CADD虽然能辅助分子筛选和设计，但受限于计算能力、算法精度和可用数据，能够解决的问题相对有限，过去主要用于药物发现的部分环节。  ## 技术演变（2/4）：ML/DL拓展CADD能力，药物发现走向干湿实验闭环 ML/DL可以嵌入CADD的多个环节，推动计算药物发现由规则驱动转向数据驱动。CADD作为计算药物发现的总体框架，既包括分子对接、分子动力学、自由能计算等物理与知识驱动方法，也包括ML/DL等数据驱动方法。过去，CADD主要依赖已知靶点结构、物理规则、人工设计的分子特征和评分函数，用于分子对接、虚拟筛选及精细计算，其能提高已有候选物的筛选和排序效率，但预测效果仍受靶点结构质量、人工特征、评分函数及可探索化学空间限制。机器学习（Machine Learning，ML）利用分子描述符和实验数据学习构效关系，用于预测活性、ADMET、毒性及可合成性；深度学习（Deep Learning，DL）可以直接处理分子图、SMILES、蛋白序列和三维结构，进一步拓展结构与相互作用预测以及新分子、新蛋白序列生成能力。 计算药物发现由“筛选已有候选物”扩展至“候选生成、预测与迭代优化”。在小分子领域，AI主要用于虚拟筛选、分子生成和多参数优化，并形成DMTA（Design-Make-Test-Analyze，即“设计-制备/合成-测试-分析”）循环；在大分子领域，AI从结构预测进一步延伸至蛋白和抗体序列设计，并通过DBTL（Design-Build-Test-Learn，即“设计-构建-测试-学习”）闭环持续迭代。 ## 图：CADD技术能力演进的三个阶段 ## 第一阶段 ## 物理与知识驱动的计算筛选 依托靶点结构、物理规则和评分函数  主要用于分子对接、虚拟筛选和精细计算 第二阶段 ## 数据驱动的预测与优选 ML/DL学习分子结构与实验结果之间的关系 用于活性、ADMET、毒性及可合成性预测  ## 第三阶段 ## 生成式设计与实验闭环 生成候选分子或蛋白，并开展多参数联合优化 经合成和实验验证后回流模型，形成DMTA/DBTL闭环 数据来源：Nature Reviews Drug Discovery，中信建投证券 ## 技术演变（3/4）：AlphaFold迭代，IsoDDE等推动相互作用预测升级 AlphaFold是Google DeepMind开发的生物分子结构预测模型系列，其在药物研发中的主要价值是更快生成结构假设，辅助靶点研究、结合口袋识别及分子设计，缩小后续实验的搜索范围。核心开发者Demis Hassabis和John Jumper因蛋白质结构预测研究获得2024年诺贝尔化学奖。AlphaFold的技术发展主线从“预测单个蛋白质的结构”走向“预测多种生物分子的结构及相互作用”，显著降低了药物获得结构假设的时间和成本。 AlphaFold 1 (2018) 预测氨基酸残基间的距离和角度，再重建蛋白质结构。AlphaFold 2 (2020) 通过Evoformer联合处理序列进化与残基对信息，显著提高结构预测精度。AlphaFold 3 (2024) 由Google DeepMind与Isomorphic Labs共同开发，引入Pairformer和扩散模型，由蛋白质结构预测拓展至多种生物分子复合物及其相互作用预测，包括蛋白质与小分子药物、蛋白质与DNA/RNA、抗体与抗原等。IsoDDE (2026年2月) 由Isomorphic团队开发，又被称为AlphaFold 4，在多个维度上超越AF3，包括蛋白质-配体结构预测，结合亲和力预测，隐藏结合位点识别及抗体建模方面。 表：AlphaFold技术迭代 对比维度 AlphaFold 1 (AF1) AlphaFold 2 (AF2) AlphaFold 3 (AF3) 发布时间 2018年 2020年 (CASP14), 2021年开源 2024年5月 核心使命 预测蛋白质的残基间距离,生成距离图谱 单链蛋白结构预测精度大幅提高,并扩展至多聚体研究 关注更复杂的生物分子复合物结构 模型架构 深度神经网络 (DNNs) 进行距离预测 Evoformer (信息处理核心) + 结构模块 (Structure Module) Pairformer (处理分子内部及分子之间的关系) + 扩散模型 (Diffusion Module) 核心创新 利用深度学习预测残基间的距离和角度 从序列走向三维结构, 引入注意力机制捕捉长程相互作用, 形成了更完整的端到端结构预测系统 从“蛋白质结构预测工具”进一步走向“生物分子相互作用预测工具” 预测范围 主要是单链蛋白质 单链蛋白及多链蛋白复合物 (多聚体) 蛋白质、核酸(DNA/RNA)、小分子配体、离子及复合物 代表性精度 CASP13冠军, GDT得分77.4 CASP14冠军, GDT得分92.4 在蛋白-配体、抗体-抗原等互作上准确率提升高达50% 最大预测长度 约1000个氨基酸残基 单体2500 / 多聚体4000个残基 预计进一步提升 开源与许可证 未开源 Apache 2.0 许可证, 免费用于学术和商业 仅限非商业用途, 使用条款受限 ## 技术演变（3/4）：深度学习拓展De novo设计实现结构生成与多目标优化 De novo是根据靶点结构、结合口袋或目标性质从头生成候选分子或蛋白结构的方法，并对活性、选择性、成药性和可制造性等指标进行计算过滤和优化，最终进入合成和实验验证。De novo不同于虚拟筛选，虚拟筛选从已有或可枚举分子库中寻找候选物，核心是排序和筛选；De novo设计是直接生成新的候选结构，核心是生成和多目标优化。 深度学习推动De novo由有限结构搜索，走向面向目标的结构生成与多目标优化。De novo的核心价值是同时满足活性、选择性、成药性和可合成性要求的候选比例，而非单纯生成更多分子。小分子主要设计原子、化学键和分子骨架；大分子需要联合设计氨基酸序列、三维结构和功能界面。 ## 图：深度学习拓宽De novo能力边界 ## 传统De novo 依赖人工设定的化学和结构规则 通过片段放置、连接和生长构建结构 以枚举、组合搜索和打分为主 生成空间受到人工规则、片段库和搜索策略约束 通常逐项优化结合能力或局部性质 ## 深度学习驱动的De novo 从大规模分子、序列和结构数据中学习设计规律 可直接生成分子、序列及三维结构 生成与性质预测、条件控制相结合 可探索更广泛的化学与蛋白空间 可将活性、选择性、ADMET及可合成性纳入联合生成与筛选目标 ## 从靶点发现到候选分子（大分子/小分子）产生的干湿实验闭环 ## 图：从靶点发现到候选分子产生的DMTA/DBTL闭环 靶点与结构准备 靶点确定 获得靶点三维结构 X射线 / 冷冻电镜 NMR 结构预测 2 候选分子产生 结合位点识别小分子：口袋/药效团大分子：表位/界面  DMTA闭环 小分子 DBTL闭环大分子抗体/蛋白 候选产生 ①分子库虚拟筛选 ②从头配体设计 3 候选产生 $①$ 抗体/蛋白序列库筛选 $②$ 从头序列设计计算过滤、排序、筛选 \- 结构预测 - 分子对接与打分 - 结合能力预测 - 理化性质、可合成性 - 初步ADMET预测 - MD/FEP \- 结构与界面预测 - 界面对接与序列优化 - 可开发性评估 - 表达、稳定性、聚集 - 免疫原性预测 - ... 4 合成 化学合成与纯化 基因合成蛋白表达与纯化 数据回流 5 实验验证 ## 分子/生化验证 直接结合、活性测定作用机制、靶点选择性 细胞功能验证细胞内靶点结合通路与表型、细胞毒性 ## 体外DMPK验证 溶解度、代谢稳定性、CYP 血浆蛋白结合等 动物实验 PK/PD、疾病模型药效、耐受性 实际情况中，不同测试层级均可形成局部DMTA闭环，候选分子在逐层筛选中持续淘汰与优化 分子进入下一流程 ## 实验验证环节的四类子闭环 > 实验验证（Test）环节通常包括分子与生化验证、细胞功能验证、体外DMPK验证和动物体内验证，依次评估候选分子的靶点活性与选择性、细胞水平效应、代谢及暴露特征，以及体内药效与初步安全性。测试并非单向推进，每一层实验结果均可反馈至分析、设计和合成环节，形成局部DMTA闭环，推动候选分子在多轮迭代中持续收敛。随着验证由体外向体内推进，实验周期、成本及复杂度逐步提高，项目通过阶段门持续淘汰未达标分子，进入下一层验证的候选数量相应减少。 ## 图：实验验证（Test）环节的四类子闭环 ## 01 分子与生化验证 主要测试 结合能力、活性、选择性作用机制与脱靶风险 是否真正作用于目标靶点 优化骨架、结合位点与取代基 ## 02 细胞功能验证 主要测试 细胞通透性、靶点结合 细胞活性与细胞毒性 在细胞环境中是否有效 优化通透性、效力与脱靶风险 03 体外DMPK验证 主要测试 溶解度、代谢稳定性、CYP 血浆蛋白结合等 能否获得合适的体内暴露 优化理化性质与代谢稳定性 ## 04 动物体内验证 主要测试 PK与组织暴露 药效、耐受性及初步安全性 是否具备体内药效与安全窗口 优化剂量暴露、分布与安全边界 ## AI在抗体发现前端渗透较快，功能验证与CMC仍依赖实验 AI在大分子药物发现中的应用，当前主要集中在研发前端。尤其在抗体发现中，AI可以从庞大的序列空间中优先筛选更可能具备良好亲和力、特异性和可开发性的候选分子，从而提高命中率，并减少无效的实验筛选工作。不过，AI目前更擅长解决“序列/结构层面的预测与设计”，对真实生物学功能的预测仍存在明显限制。这是由于抗体的药效不仅取决于结合能力，还受到表位位置、构象变化、糖基化、受体聚集、内化效率以及复杂细胞环境等因素影响，因此，结合性表征和功能性实验等步骤仍是不可替代的验证环节。CMC、药代动力学、毒理和IND前临床研究涉及复杂的细胞、工艺和动物系统，并且加上监管及伦理的要求，AI更多能够用于预测和优化，但难以直接取代真实实验。 图：抗体药物发现流程AI覆盖度 抗体药物发现 / Antibody Drug Discovery 设计-构建-测试-学习 / D-B-T-L 当前AI应用水平 剩余被颠覆风险 CMC前成本占比/% 药物发现总成本占比/% 1)靶点识别 L 高 有限 11.0% 5.8% 2)靶点验证 T 中等 低 9.0% 4.7% 2.5)抗原设计与制备 D-B 中等 有限 1.4% 0.7% 3)候选抗体发现、抗体设计及初步筛选 D-B-T-L 中等-高 有限 13.8% 7.3% 4)克隆与表达 B 分化 低 2.1% 1.1% 5)结合性表征 T 低 低 6.9% 3.6% 6)功能性试验 T 低 低 28.3% 14.9% 7)成药性评估 T 中等 有限 4.1% 2.2% 8)抗体工程与优化 D-B-T-L 分化 中等 23.4% 12.4% 9)工艺开发与生产 (CMC) B-T 低 低 - 35.6% 10)支持IND申报的临床前研究 B-T 低 低 - 11.6% 数据来源：William Blair，中信建投证券 ## AI抗体药物发现应用举例 (1/2): 靶点识别与验证 靶点验证旨在判断调节某个基因或蛋白能否改变疾病进程，并确认作用方向、适用人群和潜在安全风险。AI参与靶点发现与验证通常包括四个环节：首先整合遗传学、多组学、患者数据和文献证据，识别并排序候选靶点；随后结合共定位、孟德尔随机化等方法判断疾病关联是否具有因果性，并明确干预方向；进一步利用单细胞和扰动数据预测靶点调节后的细胞反应；最终通过CRISPR、药理学实验、细胞、类器官和动物模型验证靶点的有效性与安全性。 > 目前，AI在证据整合、疾病关联识别和候选靶点排序方面的工具及流程相对成熟。AI可整合患者数据、人类遗传学、多组学及文献证据，完成候选靶点排序、作用方向判断、患者分层和风险预警，减少低价值实验。结构与分子相互作用预测已成为重要辅助工具，预测对象从单体蛋白拓展至蛋白复合物、抗原抗体界面和结合关系；知识图谱、多组学和人类遗传学已广泛用于靶点筛选。相比之下，单细胞分析、扰动效应预测和机制推演仍处于快速迭代阶段，对新细胞类型和未见基因扰动的泛化能力有限。 ## 图：AI参与靶点发现与验证的主要环节 ## 多源数据寻找候选靶点 \- 基因组：GWAS、罕见变异、患者测序； \- 转录组、蛋白组、代谢组； ## 流程阶段 \- 单细胞和空间组学； • 病理图像、电子病历、论文和专利; \- 蛋白互作、信号通路及药物—靶点关系。 AI成熟度：较成熟对传统实验环节的影响 减少人工检索和证据整理工作，同时提高对高质量数据库的需求 ## 判断相关性是否因果关系 \- 疾病关联信号 \- →定位可能的致病基因 • → eQTL / pQTL共定位 • → 孟德尔随机化 \- → 判断提高或抑制靶点是否可能改善疾病 AI成熟度：较成熟 减少大范围无差别基因筛选，增加测序、基因分型、组织表达和功能基因组验证需求 ## 预测扰动靶点后的细胞反应 \- 敲除、敲低或过表达靶点后的转录组变化； \- 细胞形态、信号通路及功能表型； \- 不同细胞类型和患者背景中的差异; \- 单靶点及靶点组合的协同、拮抗关系。 AI成熟度：中等，快速迭代 增加单细胞测序、空间组学、高内涵成像、CRISPR、Perturb-seq和自动化细胞实验需求 ## 实验完成真正的靶点验证 \- 细胞、类器官、动物模型 \- CRISPR与单细胞测序 \- 生物标志物和安全窗口评估 AI成熟度：实验主导，AI辅助 增加SPR/BLI、CETSA、NanoBRET、蛋白质组学、类器官、动物模型、安全药理和患者样本验证需求 ## AI抗体药物发现应用举例 (2/2): 抗体工程与优化 AI在大分子的分子发现中主要沿两条路径切入: 抗体工程：以抗体、VHH等成熟分子形式为基础进行序列和多参数优化，临床转化路径相对清晰； De novo（从头生成）：从目标表位出发，从头设计全新的蛋白骨架与序列，有望覆盖传统抗体较难触达的表位和蛋白互作界面。现阶段，抗体优化路线的开发成熟度更高；De novo蛋白设计主要用于拓展分子空间和验证设计闭环，生成结果仍需经过表达、折叠、结合、功能及成药性实验的系统验证。 ## 图：抗体优化与De novo两条路径对比 ## 路线一 抗体工程 路线二 De novo 设计起点 成熟抗体框架、CDR或VHH等分子形式 靶点结构、目标表位和预设结合模式 AI主要作用 优化：序列优化、亲和力/特异性提升、可开发性优化 生成：全新蛋白骨架、结合界面和氨基酸序列 代表形式 完整抗体、双抗、VHH、Fab、scFv Mini protein、Mini binder、小型支架蛋白 当前进展 已进入临床验证 湿实验结合验证阶段 靶点结构与表位明确希望结合的位置 RFdiffusion生成骨架与结合构象 ## 从结构到实体分子的设计验证流程 ProteinMPNN根据骨架设计氨基酸序列 AlphaFold/ Rosetta 预测结构并筛选候选 湿实验验证合成、表达及功能检测 数据来源：Nature，中信建投证券 ## PART 2 ## AI制药潜力释放，产业链有望持续受益 ## AI药物发现有望驱动产业链持续受益  AI正在推动药物研发由传统湿实验主导，转向“计算设计-自动化实验-数据反馈”的闭环模式。 生态上层（支付方）由开源模型、前沿生命科学实验室、AI biotech及MNC企业构成，相关主体需要通过模型迭代、靶点发现、分子设计和管线开发，持续验证AI 制药技术的研发价值及商业模式的可持续性。 底层（服务提供方）则由算力、实验室自动化、研发软件、分析仪器、试剂耗材及CRO/CDMO服务提供支撑。随着AI大模型在药物研发中的逐渐深入，相关产业链有望长期受益。 数据来源：William Blair，中信建投证券 ## AIDD验证现状：早期环节应用较多，临床及后续成果转化仍待验证 目前，AI制药的“技术路径”已经部分打通，但“商业闭环”还没有完全打通。在现有阶段，AI已经能提高靶点筛选、分子生成、DMTA/DBTL循环和部分临床开发效率，但尚未证明其能否在行业层面稳定提高“最终获批率”和“单药全生命周期回报率”。 代表性案例之一为Insilico的Rentosertib。AI辅助识别TNIK靶点价值并参与了小分子设计，2025年公布的Phase IIa随机试验结果显示初步肺功能改善信号，60mg组12周FVC平均增加98.4mL，安慰剂组平均下降20.3mL；2026年9月，其III期临床试验完成首例患者给药，是目前观察“端到端AI制药模式”能否实现临床转化的关键样本之一。 ## 模型能力验证 AI能否提出可验证的新靶点或新分子？ 已初步验证 02 ## 研发转化验证 计算结果能否转化为可开发的候选药物？ 已经验证 03 ## 临床价值验证 候选药物能否在人体中体现安全性和疗效？ 个别项目出现积极信号 04 AI能否提高获批概率和单药全生命周期回报？ 临床前候选药物 PCC ## 商业价值验证 尚未完成行业级验证 靶点发现Target 分子生成小分子/大分子先导化合物 Hit-to-Lead 临床实验Phase I / II / III 新药临床试验申请 IND 获批上市 商业表现 DBTL/DMTA↓ 向产业链不同部分传导订单 发现 / 临床前CRO 湿实验贯穿DBTL/DMTA，筛选、药效、DMPK及毒理评价 CDMO 分子制备、工艺及分析方法开发 ## CMO / 商业化生产 候选物确定后的放大、生产与供应 数据来源：Nature Biotechnology，英矽智能公告，中信建投证券 ## AI制药公司AIDD原创参与度存在较大分化 ## 从AI辅助研发，到真正参与靶点发现与分子生成/优化 AI对药物开发的参与度：由低到高 ## 对模型能力和实验验证的要求相应提高  ## 筛选 / 计算辅助 AI主要用于虚拟筛选、性质预测、ADMET评估或研发提效。  ## 先导优化 / 结构设计 靶点已知，AI药物理计算帮助优化结合力、选择性与成药性。  ## 分子及递送材料设计 AI直接参与小分子或抗体的生成、筛选与优化。  ## 靶点 / 生物学发现 AI不仅做分子，也试图从数据中发现新的疾病机制或治疗靶点。  ## 靶点 + 分子双重参与 AI同时参与靶点发现与分子设计，最接近“真AI制药”的层次。 ## 代表公司 / 工具 \- Schrödinger \- 部分传统大药企 \- 通用CADD工具 主要提升单环节效率 ## 代表公司 / 工具 \- Nimbus \- Relay \- Morphic (礼来子公司) \- XtalPi 晶泰科技 优化已有的分子设计方案 ## 代表公司 / 工具 \- Generate \- Absci \- lambic \- 剂泰科技 (LNP) \- XtalPi 晶泰科技 AI参与候选物设计 ## 代表公司 / 工具 \- Recursion \- Absci \- Generate \- Insilico 英矽智能 开始真正触及更难的biology问题 ## 代表公司 / 工具 \- Recursion \- Absci \- Generate \- Insilico 英矽智能 \- Isomorphic (管线尚未进入临床) 目前最值得跟踪的方向 ## AI制药的跃迁：从工具，到分子，再到靶点  “AI制药”参与度差异化  目前AI最擅长的是从头分子设计与分子优化  注：示意分层，并非量化评分；资料来源：公开资料、中信建投证券 真正尚待验证：AI能否提高临床成功率 ## AI制药模型训练需要高质量实验数据 AI模型可以提高候选序列生成与筛选效率，但候选分子进入下一阶段仍需经过实验验证。随着客户从少量序列验证扩展至多序列并行测试和多轮模型迭代，实验服务需求有望从单次小规模订单，逐步转向多批次、重复性订单。进入候选药物优化阶段后，序列数量有所收敛，但数据质量、实验深度和单项目价值可能继续提高。目前订单放量主要来自序列数量增加、实验轮次增加和服务深度提升。 CXO并非普遍受益，高通量、自动化、数据标准化和快速交付能力较强的服务商更容易承接增量。客户需求逐步由单点、标准化服务转向高质量、自动化实验和跨环节闭环服务，具备综合药物发现及非临床能力的平台有望受益。例如礼来TuneLab向生态圈生物科技公司开放模型，2026年9月，金斯瑞宣布加入TuneLab生态圈，为TuneLab成员企业提供Gene-to-Protein湿实验数据生成服务，通过表达、纯化和表征，将AI优选序列转化为实验数据和生物学证据。 ## 图：不同研发阶段的数据规模、质量门槛与决策价值 ## 数据规模呈现“扩展后收敛”，数据质量与单条数据的决策价值持续提升 ## 01 模型 / 平台验证 少量标准数据 主要用于判断平台是否可用 准确性、重复性 批次一致性、实验兼容性 ## 02 单任务模型训练 模型学会某个具体任务数据开始影响模型表现 标签准确、正负样本合理数据规模与覆盖范围扩大 03 多任务平台模型构建 让模型具备跨任务泛化能力数据质量决定模型能力上限 多样性、覆盖度、标准化来源和实验条件可追溯 ## 04 候选药物开发 研究对象缩小到少数分子数据能否支持筛选与继续开发 功能与机制验证 成药性及可开发性数据 ## 数据规模 质量门槛与决策价值 定向收敛 ## 持续提升 前端实验确定性较高，后续单项目价值更大，但需要候选物持续跨越PCC、IND和临床门槛 数据来源：Lilly TuneLab、金斯瑞公告及官网，中信建投证券 ## AI制药模型训练需要高质量实验数据 AI制药模型所需的功能性标签难以通过公开渠道直接获得，湿实验是高质量训练数据的重要来源。UniProt、PDB等公共数据库可为序列模型和结构模型提供基础训练数据，但主要反映蛋白序列与三维结构特征。亲和力、表达稳定性、细胞响应等与药物研发决策密切相关的指标，仍需通过实验测定，建立序列、结构与功能之间的对应关系，为模型训练、评估及迭代提供依据。 随着AI应用由结构预测向功能预测和生成设计延伸，模型对高质量标注数据的需求进一步增加，大分子药物领域尤为明显。以蛋白适应度模型为例，通常需要经过基因合成、蛋白表达与展示、突变文库筛选及NGS测序等环节，建立序列变化与功能变化的映射关系。模型预测目标越接近真实药效，对实验数据的维度、样本规模、批次一致性及可重复性要求越高。AI在药物研发中的应用深化，有望推动湿实验体系向高通量、自动化和标准化方向发展。 ## 图：AI预测向湿实验订单传导路径 01 AI模型预测 生成并筛选优先序列 形成初步验证需求 探索性需求 数据回流与模型迭代 02 小规模实验验证 少量序列开展湿实验 — 表达、纯化与表征 首次小批量订单 实验结果支持下一轮序列筛选 03 并行筛选与模型迭代 多序列标准化测试 实验结果回流模型 序列与轮次增加，复购提升 04 候选药物优化聚焦优势候选物提高实验数据完整性数量收敛，单项目价值提升 ## AI扩大候选分子数量，实验验证服务需求有望同步增长 AI生成或筛选的序列经过DNA/基因合成、蛋白或抗体表达、亲和力检测及功能与成药性评估，形成从序列到实验结果的收费链条。各环节计价方式有所不同：基因合成多按bp、序列或文库收费；表达服务多按序列、批次或体积计价；SPR、BLI亲和力检测按机时、样本或分子对计价；功能实验通常根据assay组合、候选数量和交付标准报价。随着候选规模扩大及DBTL迭代轮次增加，实验订单量有望同步增长。表中价格仅作为公开参考锚点，商业CRO项目通常采用定制报价，实际价格受序列复杂度、表达体系、检测深度、交付周期及质量标准影响。 表：不同服务可收费项目 可收费项目 公开参考价格 计价单位 备注 DNA/基因合成 Twist基因片段从0.07美元/bp起;300-500 bp为35美元/条 bp、序列或文库 公开目录价;复杂序列、载体与批量折扣另计 蛋白/抗体表达 科研平台参考:大肠杆菌1,700元/项目;哺乳细胞蛋白3,700元/项目;CHO抗体1,300元/项目 序列、批次或体积 成本补偿性收费;商业CRO价格受表达系统和交付条件影响 亲和力检测 国内SPR仪器参考550元/小时;Scripps全服务BL约460美元起+160美元/新增样本 机时、样本或分子对 耗材、优化和重复测定可能额外计费 功能/成药性组合 通常询价;按ELISA、FACS、SEC、DSF、细胞功能等组合 assay、样本或项目包 具体价格由候选数、检测深度和交付标准决定 ## 湿实验订单同时来自模型训练需求和候选药物推进 模型迭代与候选药物验证共享Build和Test环节，同一批湿实验结果既验证候选分子的性能，也生成下一轮训练数据： 1. 数据-模型迭代。模型优化需要覆盖正负样本、不同性质区间及统一实验条件的高质量标签数据，以识别有效分子并校准失败风险，由此可能产生面向模型训练的数据生成订单，包括CRISPR筛选、组学与单细胞、高内涵成像，以及结合、功能和成药性实验。其中，大分子AI设计与湿实验的衔接更为紧密，模型生成新序列后，需要通过基因合成、蛋白表达与纯化、结合及功能检测获得实验标签，再用于筛选候选分子和优化模型；小分子端的实验需求则由传统大规模盲筛转向定制合成、多参数验证和高质量DMPK测试。围绕具体靶点开展主动学习和专有模型训练，将持续推动“模型设计-实验验证-数据反馈”的迭代循环。 2. 候选药物验证。模型不断提出新分子或新序列，每轮DBTL/DMTA均通过活性、选择性、功能和成药性实验对候选分子进行收敛，决定其淘汰、优化或推进。随着模型迭代提升候选分子的命中率和质量，候选分子向体内药效、安全性评价及工艺开发等后续环节推进的比例提升，带动订单从药物发现端向临床前开发端传导。 ## 图：AI模型训练及候选药物推进对湿实验订单的传导路径 ## D Design 干实验 ## 模型提出候选与实验方案 订单：数据整理、模型训练、算力与科研软件 ## B/M Build/Make 湿实验 将数字设计转化为实验实体 订单：小分子合成、基因合成、蛋白表达、细胞模型 T Test 湿实验 获得活性、功能与可开发性标签 订单：生化、细胞、组学、DMPK和高通量检测 干实验 清洗、标注并回灌实验结果 订单：生物信息分析、数据平台、模型更新 模型训练循环 缺少专有标签时，需要主动生成正负样本和标准化实验数据；公开数据预训练本身不一定带来新增湿实验。 ## 候选药物循环 每轮新候选都要完成合成或表达、实验测试和结果回传；迭代频率提高，形成重复收费的实验闭环。 ## 客户侧：AI预筛选减少无效实验，降低单个合格Hit的获取成本 在初始候选数量和最终获得的合格Hit保持一致、AI预筛选将进入实验的候选分子由1,000个减少至100个的假设下，根据情景测算，项目总成本可由330万元降至55万元，单个合格Hit成本由110万元降至18.2万元，降幅约 $83\%$ ，说明AI可以减少低潜力候选进入后续实验，将研发资源集中于更可能成功的分子。 表：情景测算（AI预筛选情景下的实验漏斗与成本情况） 项目 无AI场景 有AI预筛选场景(假设) 项目收费单价 初始构建候选数 1,000个 1,000个 - AI初筛后候选分子数 1,000个(不初筛) 100个 AI筛选约10万元/项目* DNA合成及载体构建数 1,000个 100个 约1,800元/个 成功表达候选数 300个 60个 表达纯化约1,000元/个;按进入表达的候选数收费 进入亲和力表征候选数 300个 60个 约1200元/个 亲和力阳性候选数 30个 15个 - 进入功能验证候选数 30个 15个 约3,000元/个* 合格功能Hit数 3个 3个 - 基础设计及项目管理费 5万元 5万元 约5万元/项目* 项目总成本 330.0万元 54.7万元 - 单个合格Hit成本 110.0万元/个 降至18.2万元/个 项目总成本÷3个Hit 相对成本 1.0× 0.17× AI预筛相对成本下降约83% 注：以上为示意测算，实际成本取决于候选通过率、实验单价及项目设计。 数据来源：中信建投证券 ## 服务商侧：AI候选分子规模扩大带来订单增量 候选分子数量扩大是最直接的需求增量。传统药物发现通常围绕少量候选开展实验，生成式模型可快速提出数百至数千条序列，送测分子数量、检测维度和DBTL迭代轮次随之增加，带动DNA合成、蛋白表达及功能检测需求。同时，客户结构同步拓展。通用模型公司需要更大规模的训练和评测数据，前沿生命科学实验室/AI制药客户需要验证具体靶点和管线，大型药企建设内部AI研发平台，这些都为湿实验平台带来订单增量。 此外，传统业务通常按基因、蛋白或样品收费，前沿生命科学实验室/AI制药客户更可能按批次、检测维度或数据点收费。这可能会导致：1）单条序列价值提高：不仅提供蛋白合成，还同时提供结合、稳定性、表达量、纯度、聚集性等多维数据检测服务；2）数字交付成本较低：部分项目不需要样品包装和国际运输；3）订单连续性提高：由一次性候选筛选变成多轮模型训练，由此有望带动订单量价齐升。 表：情景测算（可收费实验事件随候选规模和迭代轮次快速放大） 低通量 基准 高通量 实验环节 主要受益方向 靶点数/项目*每靶点设计分子数 1个靶点*100-500分子 (1-2个靶点)*(1,000-5,000分子) 4个靶点*9,000个分子 AI生成设计,计算筛选 AI模型、算力 DNA合成序列数 100-500 1,000-10,000 约36,000 DNA合成 基因合成/试剂 构建形式 单体构建 池化文库 池化酵母展示文库 文库构建 文库构建、载体与克隆试剂 初筛方式 单体表达+SPR/BLI 展示筛选 酵母展示筛选 酵母展示、FACS 流式细胞术服务、重组靶蛋白 筛选及测序 可选 2-4轮/文库 2-4轮/文库 富集测序 测序服务/试剂 进入单体表达数量 100-500 200-1000 500-2000 蛋白表达与纯化 蛋白表达与纯化/试剂/耗材 进入定量亲和力表征数量 80-400 40-200 36-180 SPR/BLI检测 生物分析仪器、芯片耗材、检测服务 进入功能验证数量 5-25 5-50 10-100 细胞及功能实验 细胞实验、药效评价CRO DBTL/DMTA轮次 2 3 5 / / 理论可收费实验事件数(区间中值) 约1,700 约18,700 约187,000 / / 相对指数 1.0× 11.0× 109.4× / / 数据来源：Twist投资日、Baker Lab论文，中信建投证券 ## 国内实验服务企业有望受益于AI制药浪潮 > 高通量、标准化与数据交付能力决定实验服务商的受益顺序。AI提高候选分子生成通量后，短期瓶颈由“能否设计”转向“能否快速、标准化地完成表达与验证”。金斯瑞作为全球基因合成领域领导者，市占率领先，已形成覆盖基因合成、蛋白表达、抗体开发及实验数据交付的Gene-to-Protein一体化平台，在复杂基因和长片段基因合成方面具备较强竞争力。2026上半年公司生命科学业务实现收入3.19亿美元，同比增长 $28.8\%$ ；其中Gene-to-Protein业务约占生命科学板块收入的 $66\%$ ，随着AI生成候选序列数量增加，金斯瑞有望凭借自动化生产、快速蛋白表达和标准化实验数据交付能力，持续承接AI制药带来的湿实验验证需求。 国内其他公司如百英生物、百普赛斯、义翘神州、近岸蛋白同样具有较强的蛋白表达能力，百英生物更侧重于定制CRO服务，百普赛斯、义翘神州、近岸蛋白此前更侧重标准化重组蛋白服务，目前积极布局定制CRO服务机会中。 表：国内AI制药实验服务企业 金斯瑞生命科学(LSG) 百英生物 义翘神州 百普赛斯 公司业务定位 全链条定制 Gene-to-Protein 平台,覆盖基因合成→蛋白/抗体表达→检测 定制抗体/蛋白 CRO,聚焦高通量表达及抗体发现 货架产品+CRO双轮驱动,优势为蛋白/抗体产品库 高端货架重组蛋白平台,标准化产品销售为核心 2025财务数据 收入5.22亿美元(+14.8%);调整后经营利润0.95亿美元;调整后毛利率51.2% 收入6.08亿元(+51.2%);归母净利润2.16亿元;毛利率69.7% 收入7.00亿元(+14.0%);归母净利润1.48亿元 收入8.38亿元(+29.9%);归母净利润1.66亿元 收入结构 以基因合成、蛋白/抗体表达等定制服务为核心,同时有生命科学产品 定制属性强:抗体/蛋白表达81.2%,抗体发现15.0%;货架产品2.5% 重组蛋白44.1%、抗体15.2%、CRO31.1% 重组蛋白81.0%;技术服务约2.0% 产能 TurboCHOTM平台:每年交付超过30万条抗体;预计26年底,AI驱动的智造中心将承接60%的生产 每年交付超10万条抗体江苏生产基地在建,预计大幅提升产能 研发:每月交付超1万条抗体生产:80+ 2L-1500L生物反应器,ug-kg级生产规模 苏州工厂一期可承接10-500L原液,二期预计2026年完成,将进一步提升公司GMP级产品的生产能力 基因合成 ★★★★★ ★★★(不对外开放服务,用于高通量蛋白表达) ★(不对外开放服务,用于高通量蛋白表达) ★(不对外开放服务,用于高通量蛋白表达) 突变库/文库构建 ★★★★★ ★★ ★★ ★…
AI 解读
本次更新突出临床与产业合作进展：Rentosertib于2026年9月进入III期首例给药，GB-0895进入临床中后期；Isomorphic Labs于2026年发布IsoDDE并完成21亿美元B轮融资；金斯瑞生物于2026年9月加入Lilly TuneLab生态圈，为成员提供Gene-to-Protein湿实验数据服务。报告同时明确，AI制药技术闭环已有进展，但商业闭环尚未在行业层面充分打通。